YOLO永不过时！全新轻量级版本拿下中科院1区TOP！创新性MAX

近期看见很多YOLO的轻量化改进，其中拿YOLOv8n、YOLOv5改的比较多，当然还有最新版的，发一区到三区的基本都有，可创新空间很大，看来YOLO依然是我们“水论文”的好选择。

分享几个高区成果：Neurocomputing（二区）上的YOLO-ELWNet，基于YOLOv3改进，猛猛超越其他轻量级OD模型；还有Comput Electron Agric（一区）上的CO-YOLO，基于YOLO11n架构，实现大幅提高姿态识别效果。

另外还有一些新研究，非常推荐想用YOLO发论文的同学研读，论文＆源码我都打包好了，目前共有10篇，无偿分享。今年也推荐各位往模型架构优化、轻量化技术结合、垂直领域定制化、训练策略与数据增强这几个方向做文章，比较好发。

全部论文+开源代码需要的同学看文末

YOLO-ELWNet: A lightweight object detection network

方法：本文提出YOLO-ELWNet，一种基于YOLO的轻量级目标检测网络。它通过优化YOLOv3的骨干网络、特征融合模块和损失函数，降低了模型参数和计算量，同时保持高检测精度，适用于车载设备等资源受限场景。

创新点：

• 提出CSS-CA模块，用于轻量级骨干网络，减少参数和计算量，保持高精度。

• 设计了一种改进的特征融合网络FPN-CSP，通过引入高效的瓶颈模块，降低了内存访问成本，增强了特征提取能力。

• 在头部模块中采用Scylla交并比损失函数，加速了模型的收敛速度，提高了训练效率。

YOLO-DLHS-P: A lightweight behavior recognition algorithm for captive pigs

方法：本文提出轻量级YOLO-DLHS-P算法，用于猪行为识别。基于YOLOv8n改进，引入C2f-DRB增强空间感知，采用LSKA注意力机制提升特征聚合，优化下采样减少信息损失，使用Shape-IoU损失函数提高精度，最后通过LAMP剪枝算法减少模型参数和计算量，实现高精度且轻量化的猪行为识别。

创新点：

• 引入C2f-DRB结构和LSKA注意力机制，增强模型的空间感知能力和特征聚合能力。

• 优化下采样算法为HWD模块，减少信息损失，提升特征提取效果。

• 使用Shape-IoU损失函数并结合LAMP剪枝算法，提高检测精度的同时显著降低模型复杂度。

LUD-YOLO: A novel lightweight object detection network for unmanned aerial vehicle

方法：论文提出了一种轻量级的无人机目标检测算法LUD-YOLO，基于YOLOv8改进，通过优化特征融合和提取，并结合网络剪枝技术，实现了模型的轻量化，同时保持了较高的检测精度，适合在无人机边缘设备上部署。

创新点：

• 提出了一种新的多尺度特征融合方法，通过自适应空间融合操作优化特征金字塔网络，解决了特征传播中的退化问题。

• 引入动态稀疏注意力机制，在减少模型参数的同时提升了特征提取能力。

• 采用网络剪枝技术优化模型，使其更轻量，更适合在无人机边缘设备上部署。

SOD-YOLO: A lightweight small object detection framework

方法：论文提出了一种轻量级的无人机小目标检测模型SOD-YOLO，基于YOLOv7改进，通过设计新的DSDM-LFIM骨干网络，减少了参数和计算量，同时提高了检测精度和速度，适合在无人机边缘设备上部署。

创新点：

• 提出了DSDM-LFIM骨干网络，包含深度浅层下采样模块和轻量级特征融合模块。

• 引入了P2小目标检测分支，专门用于检测密集且小规模的目标。

• SOD-YOLO在保持高精度的同时显著提升了轻量化程度和实时性。

关注下方《学姐带你玩AI》🚀🚀🚀

回复“222”获取全部方案+开源代码

码字不易，欢迎大家点赞评论收藏